Publication dans les Actes de la conférence AAAI sur l'intelligence artificielle , le groupe interdisciplinaire de chercheurs de l'Université de l'État de Washington prédit la disponibilité de l'eau dans les régions de l'Ouest où les quantités de neige ne sont pas physiquement mesurées.

En comparant leurs résultats aux mesures de plus de 300 stations de mesure de la neige dans l'ouest des États-Unis, ils ont montré que leur modèle surpassait les autres modèles utilisant le processus d'IA connu sous le nom d'apprentissage automatique.

Les modèles précédents se concentraient sur des mesures liées au temps, en collectant des données à différents moments et à partir de quelques emplacements seulement. Le modèle amélioré prend en compte à la fois le temps et l'espace, ce qui permet d'obtenir des prédictions plus précises.

Ces informations sont d'une importance cruciale pour les planificateurs de l'eau dans tout l'Occident, car « chaque goutte d'eau » est appropriée pour l'irrigation, l'hydroélectricité, l'eau potable et les besoins environnementaux, a déclaré Krishu Thapa, un étudiant diplômé en informatique de l'Université de l'État de Washington qui a dirigé l'étude. /P>

Chaque printemps, les agences de gestion de l'eau de tout l'Ouest prennent des décisions sur la manière d'utiliser l'eau en fonction de la quantité de neige dans les montagnes.

"Il s'agit d'un problème profondément lié à notre propre mode de vie qui perdure dans cette région de l'ouest des États-Unis", a déclaré le co-auteur Kirti Rajagopalan, professeur au Département d'ingénierie des systèmes biologiques de la WSU.

"La neige est définitivement essentielle dans une région où plus de la moitié du débit provient de la fonte des neiges. Comprendre la dynamique de sa formation et de ses changements, ainsi que la façon dont elle varie dans l'espace est vraiment important pour toutes les décisions."

Il existe 822 stations de mesure de la neige dans tout l'ouest des États-Unis qui fournissent des informations quotidiennes sur la disponibilité potentielle en eau sur chaque site, une mesure appelée équivalent neige-eau (SWE). Les stations fournissent également des informations sur l'épaisseur de la neige, la température, les précipitations et l'humidité relative.

Cependant, les stations sont peu réparties, avec environ une tous les 1 500 milles carrés. Même à une courte distance d'une gare, le SWE peut changer radicalement en fonction de facteurs tels que la topographie de la zone.

"Les décideurs examinent quelques stations situées à proximité et prennent une décision en fonction de cela, mais la façon dont la neige fond et comment la topographie différente ou d'autres caractéristiques jouent un rôle entre les deux n'est pas prise en compte et cela peut conduire à sur-prédire ou sous-prédire les approvisionnements en eau", a déclaré le co-auteur Bhupinderjeet Singh, étudiant diplômé de la WSU en ingénierie des systèmes biologiques.

"En utilisant ces modèles d'apprentissage automatique, nous essayons de mieux le prédire."

Les chercheurs ont développé un cadre de modélisation pour la prédiction du SWE et l'ont adapté pour capturer des informations dans l'espace et dans le temps, dans le but de prédire le SWE quotidien pour n'importe quel endroit, qu'il y ait ou non une station à cet endroit. Les modèles d'apprentissage automatique antérieurs ne pouvaient se concentrer que sur une seule variable temporelle, en prenant des données pour un emplacement pendant plusieurs jours et en utilisant ces données, en faisant des prédictions pour les autres jours.

"Grâce à notre nouvelle technique, nous utilisons à la fois des modèles spatiaux et temporels pour prendre des décisions, et nous utilisons les informations supplémentaires pour faire la prédiction réelle de la valeur SWE", a déclaré Thapa.

"Avec notre travail, nous essayons de transformer ce réseau de stations physiquement clairsemé en points denses à partir desquels nous pouvons prédire la valeur du SWE à partir des points qui n'ont aucune station."

Bien que ces travaux ne soient pas encore utilisés pour éclairer directement les décisions, ils constituent une étape dans la préparation des prévisions futures et dans l'amélioration des données d'entrée des modèles de prévision des débits des cours d'eau, a déclaré Rajagopalan. Les chercheurs travailleront à étendre le modèle pour le rendre spatialement complet et éventuellement en faire un modèle de prévision du monde réel.